ITextSharp在C#中无法读取pdf中的文本
ITextSharp在C#中无法读取pdf中的文本
提问于 2014-05-21 04:52:12
我有两个pdf文件。在Sercurity选项卡上，两个文件都设置了Security方法:无安全性和文档程序集:不允许，页提取:不允许。其他项目是允许的。我使用standart ITextSharp方法从pdf中检索文本：
PdfReader pdfReader = new PdfReader(fileName);
for (int page = 1; page <= pdfReader.NumberOfPages; page++)
{
ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy(); //LocationTextExtractionStrategy();
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);
currentText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText)));
text.Append(currentText);从第一个文件中，我可以从第二个文件中得到currentText的任何问题，我无法检索文本，currentText是空的。我在尝试使用LocationTextExtractionStrategy，但是结果是一样的。我在SodaPDF中打开了这个文件并将其转换为txt文件，但是这个文件也是空的(而第一个文件被转换为txt，没有任何问题)。是否可以从C#或任何其他应用程序读取此文件中的文本？如果我购买Adobe，我会把这个文件转换成txt？这两个文件有什么区别？
谢谢
回答 2
Stack Overflow用户
回答已采纳
发布于 2014-05-21 09:11:31
我在Aspose做社交媒体开发者。我建议您下载并尝试Aspose.Pdf for .NET将PDF转换为文本文件。如果您的文件包含图像，并且需要从这些图像中提取文本，则可以使用Aspose.Pdf将Pdf文件转换为图像，然后使用Aspose.OCR for .NET执行OCR。
下面是使用Aspose.Pdf for .NET将Aspose.Pdf转换为文本的示例代码
//open document
Document pdfDocument = new Document("input.pdf");
//create TextAbsorber object to extract text
TextAbsorber textAbsorber = new TextAbsorber();
//accept the absorber for all the pages
pdfDocument.Pages.Accept(textAbsorber);
//get the extracted text
string extractedText = textAbsorber.Text;
// create a writer and open the file
TextWriter tw = new StreamWriter("extracted-text.txt");
// write a line of text to the file
tw.WriteLine(extractedText);
// close the stream
tw.Close();请下载免费试用版并试用。
Stack Overflow用户
发布于 2014-05-21 06:58:13
可能有很多的pdf，实际上是图像。你不能像Bruno所说的那样从图像中提取pdf。你需要为这个选择第三方OCR。
您可以使用Acrobat将pdf转换为可编辑格式，如word、html。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/23774209
复制相关文章
相似问题
腾讯云开发者
